企业官网建设流程全解析

如何快速上手EasyWAM-Unified-Wan22：3步跑通LIBERO世界模型机器人评测

EasyWAM-Unified-Wan22 是基于 Wan2.2-TI2V-5B 视频扩散模型的世界动作模型（World Action Model）开源权重库，用单个 Video DiT同时对视频与动作 token 进行表示与去噪。本文带你用 3 个步骤快速跑通 LIBERO 机器人操作基准评测：准备环境 → 下载权重 → 执行评测命令，全程无需训练经验。

🧠 什么是 EasyWAM-Unified-Wan22？

• 统一建模：一个 Video DiT 联合表示视频 token 和动作 token，两种模态通过同一组自注意力层双向耦合，属于"世界模型 + 动作模型"一体化的架构。
• 两套权重：
  • 全参数检查点 libero_unified_wan22.pt
  • LoRA 检查点 libero_unified_wan22_lora_128.pt（rank 128、alpha 128，作用于 Video DiT 骨干模块）
• 配套统计文件：libero_dataset_stats.json 记录 LIBERO 数据集 state/action 的归一化统计量，评测时必须指定。

权重使用 CC BY-NC 4.0 许可发布，训练框架为 EasyWAM（MIT 许可）。

📊 LIBERO 评测成绩有多强？

在 EasyWAM 官方 LIBERO 评测协议下（state_position: sequence，每个任务 50 次试验），全参数版 EasyWAM-Unified 平均成功率达98.6%，与同骨干的其他架构基本持平、表现领先：

LoRA 版本（rank 128）平均成功率为87.0%，在 Spatial、Object、Goal 上超过 91%，适合作为低显存调参基线。更详细的对比结果见 README.md。

🚀 3 步快速上手教程

第 1 步：安装评测环境并获取代码

1. 安装 EasyWAM 评测框架，并按 EasyWAM 的Wan2.2 骨干指南（docs/instructions/backbone/wan22.md）准备 Wan2.2-TI2V-5B 依赖。
2. 按LIBERO 评测指南（docs/instructions/benchmark/libero.md）搭建 LIBERO 仿真器。
3. 克隆本项目获取权重文件：

git clone https://gitcode.com/OpenMOSS/EasyWAM-Unified-Wan22

⚠️ LoRA 权重不包含完整的 Wan2.2 骨干。评测前必须先下载骨干权重并配置其路径，否则无法加载。

第 2 步：下载 LIBERO 检查点与统计文件

使用 Hugging Face CLI 将 3 个评测必需文件拉取到本地：

hf download OpenMOSS-Team/EasyWAM-Unified-Wan22 \ libero_unified_wan22.pt \ libero_unified_wan22_lora_128.pt \ libero_dataset_stats.json \ --local-dir ./checkpoints

下载完成后目录结构如下：

第 3 步：执行评测命令

全参数检查点评测：

python experiments/libero/run_libero_manager.py \ task=libero_easywam_unified_wan22 \ ckpt=./checkpoints/libero_unified_wan22.pt \ EVALUATION.dataset_stats_path=./checkpoints/libero_dataset_stats.json

LoRA 检查点评测（注意 task 必须使用带_lora后缀的配方）：

python experiments/libero/run_libero_manager.py \ task=libero_easywam_unified_wan22_lora \ ckpt=./checkpoints/libero_unified_wan22_lora_128.pt \ EVALUATION.dataset_stats_path=./checkpoints/libero_dataset_stats.json

💡多 GPU 加速：追加MULTIRUN.num_gpus=<gpu-count>参数即可将 4 个 LIBERO 套件（Spatial、Object、Goal、LIBERO-10，各 50 次试验/任务）分布到多卡并行，大幅缩短评测时间。

🔍 常见问题与避坑指南

Q：加载 LoRA 权重报错或结果异常？检查两件事：① 是否已配置 Wan2.2-TI2V-5B 骨干权重路径；② task 是否用了libero_easywam_unified_wan22_lora配方（LoRA 检查点必须匹配_lora配方加载）。

Q：评测指标对不上论文数值？确认 state token 放置方式为sequence（本项目权重即采用该方式），且四个套件均使用默认 50 trials/任务的协议。

Q：可以商用吗？权重遵循 CC BY-NC 4.0，仅限非商业用途；学术研究可正常引用：

@misc{easywam2026, title = {EasyWAM: A Unified and Efficient Framework for Training and Evaluating World Action Models}, author = {EasyWAM-Team}, year = {2026} }

✅ 总结

只需 3 步——搭环境、下权重、跑命令——你就能在本地完成 EasyWAM-Unified-Wan22 的 LIBERO 世界模型机器人评测。全参数版 98.6% 的平均成功率让它成为验证世界动作模型能力的高性价比基线，LoRA 版则适合快速实验与小显存场景。完整说明请参考 README.md。